﻿ 用泛化改进的BP神经网络估测森林蓄积量
 林业科学  2006, Vol. 42 Issue (12): 59-62 PDF
0

#### 文章信息

Ju Cunyong, Cai Tijiu.

Forest Volume Estimate Based on Bayesian Regularization Back Propagation Neural Network

Scientia Silvae Sinicae, 2006, 42(12): 59-62.

### 作者相关文章

Forest Volume Estimate Based on Bayesian Regularization Back Propagation Neural Network
Ju Cunyong, Cai Tijiu
Forestry College of Northeast Forestry University Harbin 150040
Abstract: The application of principal component transformation and Bayesian regularization back propagation (BP) neural network in forest volume estimate was introduced through a specific sample in this paper. The difference of forest volume estimate between general back propagation neural network and Bayesian regularization back propagation neural network was compared and the efficiency of estimating forest volume by the means of using original data and transformed data set to establish emulating model was discussed. All the results showed that Bayesian regularization back propagation neural network was more accurate than general BP neural network in estimating forest volume and using transformed data set stemmed from principal component analysis to establish simulating model is more efficient than using original data.
Key words: BP neural network    principal component transformation    generalization    forest volume

1 材料与方法 1.1 数据获取与处理

 (1)

1.2 主成分变换

1.3 泛化BP神经网络仿真建模

 (2)

 (3)

 (4)
 (5)
 (6)

2 结果与分析 2.1 神经元传递函数的选择对网络仿真的性能影响

MATLAB神经网络工具箱给出了BP神经元的3个传递函数：对数S形函数(logsig)、正切S形函数(tansig)和线性函数(purelin)，采用不同的传递函数将得到不同的输出结果。创建只有输入层和输出层的单层神经元BP神经网络，以中心标准化的80个样地数据做为输入数据，用训练函数trainlm比较3个传递函数对网络性能的影响，结果如表 1。估测值相对误差按下式计算：其中:re是所有样地蓄积估测值相对误差；yi是实测值，网络的目标输出；是网络的实际输出；N是预报样地个数。

2.2 普通与泛化BP神经网络的性能比较

 图 1 泛化BP神经网络蓄积量预报误差曲线 Fig. 1 Deviation curves of forecasted volume by regularization back propagation neural network

2.3 PCA处理对网络仿真的影响

2.4 隐含层神经元个数对网络仿真的影响

BP神经网络经常具有多层结构，除了输入层和输出层，中间的部分称之为隐含层，隐含层神经元常用S形传递函数，输出层则用线性传递函数。本文将80个样地观测值主成分得分作为输入数据，用tansig作为隐含层神经元传递函数，试验了1、3、5、10个神经元对模型精度的影响。结果发现：3个神经元时的估测精度最好，再增加神经元的个数并不能显著提高模型仿真估测精度(表 4)。

3 结论与讨论

1) 以普通BP神经网络进行森林蓄积量仿真预报，预报值与实测值的误差较大，经泛化改进的BP神经网络森林蓄积量预报值与实测值的误差较小，这一点在具有隐含层网络结构的仿真模型中体现地更明显。

2) 就本文绝大部分样地而言，用泛化BP神经网络仿真计算的蓄积预报值与实测值相差较小(图 1)；单层泛化BP神经网络比多层网络具有更高的整体仿真预报精度，所有预报样地总蓄积量的相对预报精度达99%。如何在保证模型整体仿真预报精度的前提下提高单个样地的估测精度仍需进一步研究。

3) 以主成分分析方法简化输入数据，可以使神经网络更快地趋于收敛，在保证一定精度的前提下极大提高运算效率，数据量越大越明显。

4) 是使用单层还是具有隐含层的多层BP神经网络进行网络训练与仿真计算，神经元的个数多少，应该视具体的任务而确定，其原则是：在网络训练精度一致的情况下，使仿真模型具有更高的预报精度。

 蔡体久, 慈龙骏, 李崇贵, 等. 2003. 于RS和GIS的毛乌素沙地生物量估测. 中国水土保持科学, 1(2): 33-37. DOI:10.3969/j.issn.1672-3007.2003.02.006 蔡体久, 琚存勇, 姚月峰. 2005. 基于RS和GIS的毛乌素沙地植被盖度定量估测. 应用生态学报, 16(12): 2301-2305. DOI:10.3321/j.issn:1001-9332.2005.12.015 邓立斌, 李际平. 2002. 基于人工神经网络的杉木可变密度蓄积量收获预估模型. 西北林学院学报, 17(4): 87-89. DOI:10.3969/j.issn.1001-7461.2002.04.023 贺昌政, 俞海. 2001. BP人工神经网络主成分分析预测模型及应用. 数量经济技术经济研究, (9): 104-106. DOI:10.3969/j.issn.1000-3894.2001.09.026 李崇贵, 石强, 赵宪文, 等. 2001a. 用岭估计研究以RS和GIS为基础的森林蓄积预报. 遥感技术与应用, 16(3): 169-173. 李崇贵, 赵宪文. 2001b. 以遥感和地理信息系统为基础的森林蓄积LS估计自变量选择研究. 遥感学报, 5(4): 277-281. 李际平, 邓立斌, 何建华. 2001. 基于人工神经网络的森林资源预测研究. 中南林学院学报, 21(4): 19-22. DOI:10.3969/j.issn.1673-923X.2001.04.004 孟明, 牛东晓, 孟宁. 2004. 基于主成分分析的神经网络评价模型研究. 华北电力大学学报, 31(2): 53-56. DOI:10.3969/j.issn.1007-2691.2004.02.014 王松桂, 史建红, 尹素菊, 等. 2004. 线性模型引论. 北京: 科学出版社, 178-194. 闻新, 周露, 李翔, 等. 2003. MATLAB神经网络仿真与应用. 北京: 科学出版社, 258-284. 杨荣英, 苗张木, 沈成武. 2002. BP神经网络主成分分析法在交通需求预测中的应用. 武汉理工大学学报:交通科学与工程版, 26(3): 386-388. 张焱. 1999. 生物多元分析. 重庆: 西南师范大学出版社, 137-150. 赵宪文, 李崇贵. 2001. 基于"3S"的森林资源定量估测. 北京: 中国科学技术出版社. Baker T R, Phillips O L, Malhi Y, et al. 2004. Variation in wood density determines spatial patterns in Amazonian forest biomass. Global Change Biology, (10): 545-562. Bennett L T, Adams M A. 2004. Assessment of ecological effects due to forest harvesting: approaches and statistical issues. Journal of Applied Ecology, (41): 585-598. Demuth H, Beale M. 2002. Neural network toolbox user's guide. The MathWorks, Inc, 93-166. Garey A F, Roopa M. 2005. Soil property analysis using principal component analysis, soil line, and regression models. Soil Science Society of America Journal, 69(6): 1782-1788. DOI:10.2136/sssaj2004.0362 Murakami T. 2004. Seasonal variation in classification accuracy of forest-cover types examined by a single band or band combinations. J For Res, (9): 211-215.